Kimi K3: Moonshot AI veröffentlicht Open-Source-Gewichtsmodell mit 2,8 Billionen Parametern

Einleitung

Moonshot AI hat Kimi K3 vorgestellt, ein neues multimodales Reasoning-Modell mit 2,8 Billionen Gesamtparametern und einem 100-Millionen-Token-Kontextfenster.

Das in Peking ansässige Unternehmen bezeichnet Kimi K3 als das erste Open-Source-Modell, das die 3-Billionen-Parameter-Marke erreicht. Es wurde speziell für langfristige Softwareentwicklung, Wissensarbeit, visuelles Reasoning, Forschung und mehrstufige Agentenaufgaben entwickelt.

Die schiere Größe hat sofort Aufmerksamkeit erregt. Mit seiner Gesamtparameterzahl übertrifft Kimi K3 die offenen Gewichtssysteme im Billionenbereich, die die vorherige Generation chinesischer Spitzenmodelle definierten.

Doch die Größe ist nur ein Teil der Geschichte. Kimi K3 verwendet eine hochgradig spärliche Mixture-of-Experts-Architektur, bei der pro Token nur ein kleiner Teil seiner Experten aktiviert wird. Moonshot AI hat außerdem strukturelle Änderungen eingeführt, die den Informationsfluss über lange Sequenzen und tiefe Netzwerke hinweg verbessern sollen.

Das Unternehmen gibt an, dass Kimi K3 in mehreren seiner internen Tests Spitzenniveau erreicht hat, obwohl es insgesamt hinter den leistungsstärksten proprietären Modellen zurückbleibt. Unabhängige Bewertungen, die vor und nach der Veröffentlichung durchgeführt wurden, stuften es ebenfalls als eines der derzeit führenden verfügbaren Modelle ein.

Ein multimodales Modell mit 2,8 Billionen Parametern

Kimi K3 ist ein natives multimodales Modell, das Text- und Bildeingaben verarbeiten kann. Moonshot AI positioniert es für Aufgaben, die kontinuierliches Reasoning erfordern, und nicht für kurze, isolierte Antworten.

Die wichtigsten Spezifikationen:

Spezifikation	Kimi K3
Gesamtparameter	2,8 Billionen
Architektur	Sparse Mixture of Experts
Anzahl der Routing-Experten	896
Pro Token aktivierte Experten	16
Kontextfenster	100 Millionen Token
Modalitäten	Text- und Bildeingabe
Hauptanwendungsfälle	Programmierung, Wissensarbeit, Forschung, Reasoning, multimodale Erstellung
Standard-Reasoning-Modus bei Veröffentlichung	Maximale Denkanstrengung
Ziel für vollständige Gewichtsveröffentlichung	Vor dem 27. Juli 2026
Empfohlen für große Bereitstellungen	Superknotenkonfiguration mit mindestens 64 Beschleunigern

Die Gesamtparameterzahl bezieht sich auf das vollständige Modell, nicht auf die Anzahl der pro Token verwendeten Parameter. Kimi K3 aktiviert 16 seiner 896 Experten während der Inferenz, wodurch es von seiner enormen Kapazität profitieren kann, ohne für jedes generierte Token das gesamte Netzwerk ausführen zu müssen.

Diese Unterscheidung ist wichtig. Spärliche Modelle können Billionen von Parametern enthalten, während der tatsächliche Rechenaufwand weit unter dem liegt, was ein dichtes Modell gleicher Größe erfordern würde.

Selbst bei spärlicher Aktivierung ist Kimi K3 ein äußerst anspruchsvolles Hosting-System. Moonshot AI empfiehlt die Bereitstellung auf Superknotenkonfigurationen mit 64 oder mehr Beschleunigern, was das selbstständige Hosting für die meisten einzelnen Entwickler und kleineren Teams unpraktisch macht.

Die Architektur hinter Kimi K3

Moonshot AI hebt zwei zentrale Architekturtechniken hervor: Kimi Delta Attention und Attention Residuals.

Kimi Delta Attention

Kimi Delta Attention (KDA) zielt darauf ab, Aufmerksamkeitsberechnungen effizienter zu gestalten, wenn die Kontextlänge zunimmt.

Herkömmliche Aufmerksamkeitsmechanismen werden rechenintensiv, wenn Modelle sehr lange Sequenzen verarbeiten. KDA zielt darauf ab, eine skalierbarere Grundlage für die Verarbeitung großer Kontexte zu schaffen, während die für Reasoning und Werkzeugnutzung erforderlichen Informationen erhalten bleiben.

Das Million-Token-Fenster gibt Kimi K3 genügend Kapazität, um große Codebasen, riesige Dokumentsammlungen, lange Agentenverläufe oder eine Kombination verschiedener Quellen zu verarbeiten, die über die Grenzen vieler früherer Modelle hinausgeht.

Ein großes Kontextfenster garantiert nicht, dass jedes Token gleichermaßen gut genutzt wird. Abrufqualität, Reasoning-Stabilität, Prompt-Struktur und Agenten-Orchestrierung bleiben entscheidend. Das erweiterte Fenster bietet Entwicklern jedoch mehr Spielraum, um relevantes Material ohne aggressive frühe Komprimierung zu behalten.

Attention Residuals

Attention Residuals (AttnRes) verändern die Art und Weise, wie Repräsentationen durch die Tiefe des Modells weitergegeben werden.

Anstatt Informationen durch traditionelle Residualverbindungen gleichmäßig anzuhäufen, werden nützliche Repräsentationen aus früheren Schichten selektiv abgerufen.

Moonshot AI gibt an, dass dies den Informationsfluss über die Modelltiefe verbessert und zu effizienterer Skalierung beiträgt.

Stabil Latent Mixture of Experts

Kimi K3 kombiniert spärliches Experten-Routing mit einem Stabil Latent Mixture of Experts-Framework. Pro Token werden nur 16 der 896 Routing-Experten aktiviert.

Bei dieser Spärlichkeit wird die Routing-Qualität zu einem großen technischen Problem. Ein nicht richtig ausbalanciertes System kann zu einer Überlastung von Experten-Untergruppen, verschwendeter Hardware oder reduziertem Durchsatz führen.

Moonshot AI gibt an, dass es eine quantilbasierte Ausgleichsstrategie und eine ausgewogene parallele Experten-Trainingsmethode verwendet, um Arbeitslasten auf dem kritischen Pfad effizient zu verteilen, ohne Host-Synchronisation.

Quantisierungsbewusstes Training

Das Modell verwendet ab der Phase des überwachten Feintunings quantisierungsbewusstes Training.

Laut Moonshot AI verwendet Kimi K3 MXFP4-Gewichte und MXFP8-Aktivierungen. Niedrigpräzisionsformate können Speicher- und Kommunikationsanforderungen senken, aber die tatsächliche Leistung hängt von der Hardware- und Inferenz-Engine-Unterstützung ab.

Diese Architekturverbesserungen sollen die Gesamtskalierungseffizienz um etwa das 2,5-fache im Vergleich zu Kimi K2 steigern.

Entwickelt für langfristige Programmierung

Programmierung ist einer der Hauptanwendungsbereiche, den Moonshot AI für Kimi K3 hervorhebt.

Das Modell ist darauf ausgelegt, über lange Engineering-Sitzungen hinweg effektiv zu arbeiten, große Codebasen zu durchsuchen, Terminal-Tools zu bedienen, Laufzeit-Feedback zu prüfen und mit minimaler menschlicher Aufsicht kontinuierlich zu iterieren.

Dies unterscheidet sich von Modellen, die nur eine einzelne Funktion durch einen Prompt generieren. Langfristige Programmierung kann vom System verlangen:

1. Eine unbekannte Codebasis zu erkunden.
2. Architektur und Abhängigkeiten zu verstehen.
3. Einen mehrstufigen Plan zu erstellen.
4. Dateien über mehrere Module hinweg zu bearbeiten.
5. Builds und Tests auszuführen.
6. Fehlermeldungen und Logs zu lesen.
7. Screenshots oder gerenderte Ausgaben zu vergleichen.
8. Implementierungen wiederholt zu ändern.
9. Relevanten Kontext über die gesamte Aufgabe hinweg zu behalten.

Moonshot AI betont auch die Herausforderung, Programmierung mit visuellem Reasoning zu kombinieren. Kimi K3 kann bei der Arbeit mit Frontend-Schnittstellen, Spielen, CAD-Workflows und anderer interaktiver Software Screenshots und visuelles Feedback nutzen.

Moonshot-Coding-Benchmark-Ergebnisse

Moonshot hat Kimi K3 in mehreren Software-Engineering-Benchmarks und Agenten-Frameworks evaluiert.

Das Unternehmen berichtet von starker Leistung in den folgenden Bereichen:

• DeepSWE
• Terminal-Bench 2.1
• FrontierSWE
• Program Bench
• SWE Marathon
• Kimi Code Bench 2.0
• GPU-Kernel-Optimierung
• Compiler-Build

Nicht alle diese Evaluierungen verwenden das gleiche Setup. Einige Modelle wurden mit Kimi Code getestet, andere mit Claude Code oder Codex. Moonshot dokumentiert diese Unterschiede in den Benchmark-Fußnoten.

Dies ist wichtig, da das Agenten-Framework die Ergebnisse beeinflusst. Tool-Schnittstellen, Kontextverwaltung, Wiederholungsverhalten, Berechtigungssysteme und Prompt-Design können die Leistung eines Modells bei langlebigen Aufgaben beeinflussen.

Moonshot berichtet, dass Kimi K3 die folgenden Ergebnisse erzielt hat:

• DeepSWE-Benchmark: 67,5 Punkte
• Terminal-Bench 2.1: 86,3 Punkte
• FrontierSWE: 81,2 Punkte
• Program Bench: 77,8 Punkte
• SWE Marathon: 42,0 Punkte
• Interner Kimi Code Bench 2.0: 72,8 Punkte

Dies sind vom Unternehmen gemeldete Ergebnisse und sollten zusammen mit unabhängig durchgeführten Benchmarks betrachtet werden.

GPU-Kernel-Optimierung

Moonshot hat auch getestet, wie gut das Modell GPU

Kernel-Fähigkeiten, die über das reine Schreiben von Standard-Anwendungscode hinausgehen.

Jedes bewertete Modell wurde in derselben Sandbox-Umgebung platziert und hatte bis zu 24 Stunden Zeit, um mehrere Aufgaben zu konfigurieren, neu zu schreiben und zu benchmarken. Die Arbeitslasten umfassten Komponenten, die mit der eigenen Architektur von Kimi K3 zusammenhängen, und wurden auf NVIDIA H200-Hardware sowie einer weiteren universellen GPU-Plattform getestet.

Moonshot gibt an, dass Kimi K3 bei erlaubtem Rückfallverhalten wettbewerbsfähig mit Claude Fable 5 ist und mehrere andere getestete Modelle in diesem Setting deutlich übertrifft.

Das Unternehmen erklärt außerdem, dass die frühen Checkpoints von Kimi K3 einen Großteil der Kernel-Optimierungsarbeit bewältigt haben, die bei der eigenen Modellentwicklung anfiel.

Diese Fähigkeit ist wichtig, da effiziente KI-Systeme nicht nur von der Modellarchitektur abhängen. Kernel-Engineering bestimmt, wie effektiv ein Modell Beschleuniger, Speicherbandbreite, Kommunikationsverbindungen und spezielle numerische Formate nutzt.

Ein GPU-Compiler von Grund auf neu bauen

In einem anderen internen Test erstellte Kimi K3 ein kompaktes Triton-ähnliches GPU-Programmiersystem namens MiniTriton.

Laut Moonshot umfasst das endgültige Projekt:

• Eine auf MLIR basierende tiling-fähige Zwischendarstellung
• Optimierungsdurchläufe
• Eine PTX-Codegenerierungs-Pipeline
• Ein domänenspezifisches Sprach-Frontend
• Laufzeitkomponenten
• Unterstützung für end-to-end nanoGPT-Training

Moonshot berichtet, dass MiniTriton bei ausgewählten unterstützten Benchmarks mit Triton und torch.compile mithält oder diese übertrifft, während es im nanoGPT-Test stabiles Trainingsverhalten beibehielt.

Dieses Ergebnis sollte als unternehmenseigene Fallstudie betrachtet werden und nicht als Beleg dafür, dass der generierte Compiler bereit ist, ausgereifte Tools zu ersetzen.

Produktionsinfrastruktur. Es zeigt jedoch die Art von mehrstufigen Engineering-Aufgaben, auf die Moonshot bei der Entwicklung von Kimi K3 abzielt.

Visuelle Programmierung, Spieleentwicklung und Chipdesign

Das native multimodale Design von Kimi K3 ermöglicht es, nahtlos zwischen Quellcode und visuellen Ausgaben zu wechseln.

Bei Spiele- und Frontend-Entwicklungsarbeiten kann das Modell Implementierungscode generieren, Screenshots überprüfen, visuelle Probleme erkennen und Code modifizieren. Moonshot bezeichnet dies als „das Visuelle in der Entwicklungsschleife behalten“.

Das Unternehmen demonstrierte auch eine frühe Chipdesign-Demonstration. Berichten zufolge entwarf, optimierte und validierte Kimi K3 in einem 48-stündigen autonomen Lauf basierend auf seiner eigenen Architektur einen Chip für den Dienst eines kleinen Modells.

Dieser Proof-of-Concept nutzte Open-Source-EDA-Tools und die Nangate-45nm-Process-Kit. Moonshot meldete Ergebnisse des simulierten Designs:

• Fläche innerhalb von 4 mm².
• Timing-Convergence bei 100 MHz.
• Enthält etwa 1,46 Millionen Standardzellen.
• Nutzt 0,277 MB SRAM.
• Enthält eine INT4-MAC-Array mit fusionierter Dequantisierung.
• Verarbeitet in der Simulation über 8700 Token pro Sekunde.

Dies ist eine simulierte und frühe Forschungsdemonstration, kein tatsächlich produzierter Chip.

Kimi K3 in Forschung und Wissensarbeit

Moonshot positioniert Kimi K3 auch als Modell für Forschungs- und Spezialisten-Workflows.

In einem Fall aus der Computational Astrophysics wurde das Modell gebeten, eine universelle Beziehung zu Neutronenstern-Eigenschaften zu reproduzieren.

Moonshot gibt an, dass Kimi K3:

• Über 20 Paper geprüft und kreuzvalidiert hat.
• Den vollständigen numerischen Rechenworkflow implementiert hat.
• Über 300 Zustandsgleichungen evaluiert hat.
• Inkonsistenzen in veröffentlichten Formeln identifiziert hat.
• Über 3000 Zeilen Python-Code generiert hat.
• Ein interaktives HTML-Daten-Dashboard erstellt hat.

Laut Unternehmensschätzung benötigte das Modell etwa zwei Stunden für dieses Projekt, während ein erfahrener Forscher ein bis zwei Wochen gebraucht hätte.

Wie bei anderen Fallstudien sollte dieses Ergebnis nicht als allgemeingültige Zeitersparnisgarantie angesehen werden. Die Leistung hängt von der Aufgabenstellung, den verfügbaren Tools, der Datenquellenqualität, der Validierungsmethode und dem Umfang der menschlichen Überprüfung ab.

Millionen-Token-Kontextfenster

Das Kontextfenster von Kimi K3 ist eine seiner kommerziell wertvollsten Spezifikationen.

Die Kapazität von einer Million Token bietet Platz für verschiedene Kombinationen, wie z.B.:

• Große Software-Repositories mit Dokumenten und Logs.
• Umfangreiche Sammlungen langer Berichte und Originaldokumente.
• Erweiterte Tool-Call-Aufzeichnungen.
• Lange Forschungssitzungen.
• Große Sammlungen von Bildern und Text.
• Mehrere Entwürfe, Überarbeitungen und Zwischenergebnisse.

Moonshot besagt, dass Kimi K3 am besten funktioniert, wenn der vollständige Inferenzverlauf erhalten bleibt.

Dies bringt eine wichtige Implementierungsanforderung mit sich. Wenn ein Agent-Framework Teile des frühen Denkverlaufs des Modells verwirft, falsch zusammenfasst oder mitten in einer Sitzung zu einem anderen Modell wechselt, kann die Ausgabequalität instabil werden.

Moonshot empfiehlt die Verwendung eines getesteten und kompatiblen Frameworks (wie Kimi Code) und den Verzicht auf einen Modellwechsel während einer aktiven K3-Sitzung.

Unabhängige Benchmark-Ergebnisse

Unabhängige Testergebnisse unterstützen weitgehend die Schlussfolgerung, dass Kimi K3 zu den führenden Modellen gehört, auch wenn es nicht in jeder Kategorie an der Spitze liegt.

Artificial Analysis gab Kimi K3 eine Punktzahl von 57 im Intelligenzindex und platzierte es zum Zeitpunkt der Bewertung auf Platz drei. Seine Gesamtergebnisse wurden als vergleichbar mit Claude Opus 4.8 und GPT-5.5 beschrieben, blieben aber hinter Claude Fable 5 und GPT-5.6 Sol zurück.

Artificial Analysis berichtete auch, dass Kimi K3 während der Evaluierung ungewöhnlich wortreich war und etwa 130 Millionen Tokens generierte, während der Durchschnitt vergleichbarer Modelle bei etwa 63 Millionen Tokens lag.

Dies betrifft Kosten und Latenz. Ein Modell kann preislich pro Token wettbewerbsfähig sein, aber wenn es für dieselbe Aufgabe mehr Tokens verwendet, bleibt es dennoch teuer.

Reuters berichtete über andere Drittanbieter-Testergebnisse zum Zeitpunkt der Veröffentlichung:

• Arena.ai platzierte Kimi K3 auf Platz eins bei einem Web-UI-Building-Benchmark.
• Vals AI stufte es auf Platz zwei ein, hinter Claude Fable 5 und vor GPT-5.6 Sol.
• Artificial Analysis fand heraus, dass die Leistung bei komplexen mehrstufigen Arbeiten mit GPT-5.5 und Claude Opus 4.8 vergleichbar ist.

Benchmark-Rankings ändern sich, wenn Evaluatoren Samples hinzufügen, Testplattformen aktualisieren und Modelle erneut testen. Für Kauf- oder Einsatzentscheidungen sollten daher die neuesten Ranglisten konsultiert werden.

Open-Weight-Status und Veröffentlichungszeitplan

Kimi K3 wurde als Open-Weight-Modell angekündigt, aber zum Zeitpunkt der Erstellung dieses Artikels sind die vollständigen herunterladbaren Gewichte noch nicht veröffentlicht.

Die offizielle Veröffentlichungsseite von Moonshot zeigt, dass die Gewichte vor dem 27. Juli 2026 veröffentlicht werden sollen.

Diese Unterscheidung ist wichtig:

• Modell, Architektur, API und Produktintegrationen wurden angekündigt.
• Kimi K3 ist bereits über Moonshots gehostete Produkte und API zugänglich.
• Die vollständigen Modellgewichte sind für eine zukünftige Veröffentlichung geplant.
• Anleitungen zur lokalen Bereitstellung und der endgültige Ökosystem-Support könnten sich nach der Veröffentlichung der Gewichte noch ändern.

Bis zur Veröffentlichung der Gewichte, ihrer Lizenz und der technischen Dokumentation sollten Aussagen über spezifische Self-Hosting-Prozesse, unterstützte Inferenz-Engines oder Hardwarekonfigurationen als vorläufig betrachtet werden.

Open Weights bedeuten auch nicht automatisch uneingeschränkte Open Source. Die endgültige Lizenz wird bestimmen, was Benutzer modifizieren, weiterverteilen oder kommerziell nutzen dürfen.

Warum die meisten Benutzer Kimi K3 nicht lokal ausführen werden

Ein Modell mit 2,8 Billionen Parametern geht weit über die übliche Definition von lokaler KI hinaus.

Selbst mit spärlicher Aktivierung und niedrigpräzisen Gewichten erfordern vollständige Checkpoints, Experten-Routing, hohe Bandbreitenkommunikation, Kontext-Caching und Laufzeit-Overhead große verteilte Systeme.

Moonshot empfiehlt für die Bereitstellung mindestens 64 Beschleuniger in einer Supernode-ähnlichen Konfiguration.

Die praktischen Auswirkungen sind:

1. Einzelne Benutzer werden Kimi K3 eher über eine gehostete API oder App nutzen.
2. Unternehmen werden wahrscheinlich spezialisierte Inferenz-Anbieter nutzen, anstatt eigene Cluster zu betreiben.
3. Offene Gewichte sind am direktesten nützlich für gut finanzierte Forschungslabore, Cloud-Plattformen, Inferenz-Unternehmen und große Infrastrukturteams.
4. Community-Varianten durch Quantisierung oder Destillation könnten die Einstiegshürde senken, aber diese Versionen könnten nicht die volle Leistung des Modells erreichen.

Von Reuters zitierte Schätzungen legen nahe, dass ein Self-Hosting des Modells...

System mit Computern im Wert von mehreren hunderttausend Dollar erforderlich sein könnte.

Die spezifischen Kosten hängen vom endgültigen Gewichtsformat, Beschleunigertyp, Netzwerkkonfiguration, Kontextlänge, Durchsatz-Zielen, Redundanzschema und der Serversoftware ab.

API-Preise und Verfügbarkeit

Kimi K3 ist bereits über mehrere Produkte von Moonshot verfügbar:

• Kimi.com
• Kimi Workbench
• Kimi Code

Offene Schnittstelle (Kimi API)

• Kimi Enterprise Edition

Kimi-Code-Benutzer können das Modell Kimi K3 über den Modellbefehl im Terminal auswählen.

Die aktuellen API-Preise von Moonshot AI lauten:

Token-Kategorie	Preis pro Million Token
Cache-Treffer bei Eingabe	0,30 USD
Cache-Fehltreffer bei Eingabe	3,00 USD
Ausgabe	15,00 USD

Der API-Modellname lautet:

kimi-k3

Moonshot AI gibt an, dass seine offizielle API durch die Mooncake-Trennungs-Inferenzarchitektur bei Codierungs-Workloads eine Cache-Trefferquote von über 90 % erreicht.

Die tatsächlichen Anwendungskosten hängen von der Prompt-Länge, der Inferenztiefe, der Wiederverwendung des Caches, der Anzahl der Tool-Aufrufe, Wiederholungsmechanismen und dem Detailgrad der Ausgabe ab.

Chinesische KI-Labore beschleunigen ihren Iterationszyklus

Mit der Veröffentlichung von Kimi K3 bringen chinesische KI-Unternehmen in ungewöhnlich hoher Frequenz neue Modelle auf den Markt.

Entwickler von Moonshot AI, Z.ai, MiniMax, DeepSeek, Meituan und andere bringen kontinuierlich größere und leistungsfähigere Systeme heraus und konkurrieren gleichzeitig intensiv in den Bereichen Preis, Open-Source-Gewichtung, Code-Fähigkeit und Agentenleistung.

Reuters weist darauf hin, dass diese Iterationsgeschwindigkeit die bisherige Annahme widerlegt, dass führende chinesische Modelle der amerikanischen Spitzentechnologie stets um Monate hinterherhinken.

Allein die Modellgröße beweist keine Führungsposition. Die Parameteranzahl ist zwischen dichten und spärlichen Architekturen schwer vergleichbar, und einige große amerikanische Entwickler haben die genaue Größe ihrer aktuellen Modelle nicht offengelegt.

Trotzdem zeigt Kimi K3, dass chinesische Labore in Bereichen wie Modellgröße, Architekturdesign, langes Kontextverständnis und Agentenentwicklung an der Spitze stehen.

Marktreaktion und Expansion von Moonshot AI

Laut Reuters fielen nach der Veröffentlichung von Kimi K3 die Aktienkurse mehrerer börsennotierter chinesischer KI-Konkurrenten.

Gegen Handelsschluss fiel Zhipu Huazhang um 27,7 % und MiniMax um 16,5 %.

Die Performance eines einzelnen Handelstages kann noch nicht die langfristigen Auswirkungen des neuen Modells auf die Marktwettbewerbslandschaft bestimmen, aber diese Reaktion zeigt tatsächlich das Interesse des öffentlichen Marktes an technologischen Durchbrüchen chinesischer KI-Unternehmen.

Moonshot AI wird von großen Investoren wie Alibaba und Tencent unterstützt.

Reuters zitiert außerdem Bloomberg, wonach Moonshot AI eine neue Finanzierungsrunde von etwa 2 Milliarden USD bei einer Bewertung von rund 30 Milliarden USD anstrebt, die vor einem Börsengang in Hongkong abgeschlossen werden soll. Die Finanzierungs- und IPO-Pläne befinden sich jedoch noch im Berichtsstadium und sind noch nicht endgültig.

Bekannte Einschränkungen von Kimi K3

Moonshot AI hat in der offiziellen Ankündigung selten offen einige Einschränkungen genannt.

Empfindlichkeit gegenüber Inferenzhistorie

Kimi K3 behält in der Inferenzhistorie die Trainingsdaten. Wenn das Agenten-Framework nicht die vollständige Historie der Gedankengänge zurückgibt, kann dies zu instabiler Leistung führen. Es wird nicht empfohlen, mitten in einer mit anderen Modellen begonnenen Sitzung zu Kimi K3 zu wechseln.

Übermäßige Proaktivität

Das Modell ist für intensive, langlebige Aufgaben optimiert. Daher kann es bei vagen Anweisungen zu unerwarteten Entscheidungen kommen.

Oder wenn es auf kleine Hindernisse stößt. Anwendungen, die präzises Verhalten erfordern, sollten explizite Einschränkungen über System-Prompts oder AGENTS.md-Dateien bereitstellen.

Lücke in der Benutzererfahrung

Moonshot AI gibt an, dass Kimi K3 in vielen technischen Bewertungen wettbewerbsfähig ist, die Gesamtbenutzererfahrung jedoch hinter Claude Fable 5 und GPT-5.6 Sol zurückbleibt.

Hohe Infrastrukturanforderungen

Offene Gewichtung bedeutet nicht, dass das System einfach vollständig bereitgestellt werden kann. Seine Größe, Netzwerkanforderungen und das Langzeitgedächtnis schaffen hohe Betriebshürden.

Hoher Token-Verbrauch

Unabhängige Tests zeigen, dass Kimi K3 in komplexen Bewertungen einen deutlich höheren Token-Verbrauch als der Durchschnitt führender Modelle haben kann. Dies beeinflusst die Gesamtkosten, die Antwortgeschwindigkeit und den Ratenlimitverbrauch.

Bedeutung dieser Veröffentlichung für Entwickler

Für die meisten Entwickler wird Kimi K3 zunächst als gehostetes Modell und nicht als selbst gehostetes Modell verfügbar sein.

Seine wichtigsten Merkmale sind:

• Extrem großes Kontextfenster
• Verbessertes dauerhaftes Codierungsverhalten
• Native visuelle Inferenzfähigkeit
• Agentenorientierte Tool-Aufrufe
• Wettbewerbsfähige Leistung bei Fachaufgaben
• API-Zugang mit öffentlich einsehbaren Preisen
• Geplante offene Gewichtung

Teams, die das Modell bewerten, sollten reale Workflows testen, anstatt sich nur auf Benchmark-Titeldaten zu verlassen.

Wertvolle Bewertungen könnten umfassen:

1. Repository-Navigation und Problemlösung
2. Fähigkeit zur Befolgung von Anweisungen mit langem Kontext
3. Front-End-Implementierung mit visuellen Referenzen
4. Zuverlässigkeit von Tool-Aufrufen
5. Redundanz und Kosten der Ausgabe
6. Leistung bei vagen Anweisungen
7. Kompatibilität mit Zielagenten-Frameworks
8. Leistung nach Komprimierung der Inferenzhistorie
9. Datenverwaltung und Bereitstellungsanforderungen
10. Wiederherstellungsfähigkeit bei fehlgeschlagenen Befehlen oder Tests

Häufig gestellte Fragen

Was ist Kimi K3?

Kimi K3 ist ein multimodales Inferenzmodell mit 2,8 Billionen Parametern von Moonshot AI, das speziell für langfristige Codierung, Wissensarbeit, wissenschaftliche Forschung, visuelle Aufgaben und Agenten-Workflows entwickelt wurde.

Ist Kimi K3 Open Source?

Moonshot AI beschreibt Kimi K3 als offenes Modell und plant, die vollständigen Gewichtungen zu veröffentlichen. Offene Gewichtungen entsprechen nicht unbedingt Open-Source-Software. Die endgültige Lizenzvereinbarung wird die zulässigen Bedingungen für Nutzung, Änderung und Weiterverbreitung festlegen.

Sind die Gewichtungen von Kimi K3 jetzt verfügbar?

Zum Zeitpunkt der Erstellung dieses Artikels noch nicht. Die offizielle Ankündigung von Moonshot AI besagt, dass die vollständigen Gewichtungen am 27. Juli 2026 freigegeben werden.

Wie viele Parameter verwendet Kimi K3 während der Inferenz?

Das vollständige Modell hat 2,8 Billionen Parameter, verwendet jedoch eine spärliche Mixed-Expert-Architektur. Moonshot AI gibt an, dass pro Token 16 von 896 Experten aktiviert werden, sodass nicht das gesamte Netzwerk gleichzeitig läuft.

Kann Kimi K3 auf einem PC ausgeführt werden?

Das vollständige Modell ist für normale PCs nicht geeignet. Moonshot AI empfiehlt eine Supernode-Bereitstellung mit mindestens 64 Beschleunigern, sodass die meisten Benutzer Kimi K3 über gehostete Produkte oder die API nutzen werden.

Wie groß ist das Kontextfenster von Kimi K3?

Kimi K3 unterstützt ein Kontextfenster von 1 Million Token. Das Modell ist empfindlich gegenüber der Art und Weise, wie die Inferenzhistorie aufgezeichnet wird, daher sind Agenten-Framework-Kompatibilität und Kontextmanagement wichtig.

Wie viel kostet die Kimi K3 API?

Die von Moonshot AI veröffentlichten Preise lauten: 0,30 USD pro Million Token für Cache-Treffer bei Eingabe, 3,00 USD pro Million Token für Cache-Fehltreffer bei Eingabe und 15,00 USD pro Million Token für Ausgabe. Die Gesamtkosten hängen auch von der Ausgabelänge, der Cache-Wiederverwendung, Tool-Aufrufen und Wiederholungen ab.

Ist Kimi K3 besser als GPT-5.6 Sol oder Claude Fable 5?

Die Antwort hängt von der spezifischen Aufgabe und den Benchmarks ab. Moonshot AI gibt an, dass Kimi K3 insgesamt hinter diesen beiden Modellen zurückbleibt, aber in einigen Codierungs- und Wissensarbeitsbewertungen gleichauf oder führend ist. Unabhängige Tests zeigen ebenfalls, dass Kimi K3 zu den führenden Modellen gehört, aber nicht durchgängig an erster Stelle steht.

Verwandte Tools

• Kimi: Gehosteter Agenten-Arbeitsbereich von Moonshot AI zur Nutzung von Kimi K3.
• Kimi Work: Speziell für Dokumente, Recherche, Dashboards und Wissensarbeitsfunktionen von Kimi entwickelte Desktop-Umgebung.
• Kimi Code: Terminal- und IDE-Codierungsagent von Moonshot AI mit Unterstützung für die Modellauswahl von Kimi K3.
• Kimi API Platform: Offizieller API-Zugang, Preise, Entwicklerdokumentation und Kontoverwaltung.
• Moonshot AI auf GitHub: Offizielle Open-Source-Projekte, Modelltools und Forschungs-Code-Repositories.
• Moonshot AI auf Hugging Face: Offizielle Modellkarten und herunterladbare Veröffentlichungen von Moonshot AI-Modellen.
• vLLM: Open-Source-Inferenz-Engine, die laut Moonshot AI die KDA-Prefix-Caching-Funktion unterstützen wird.

Verwandte Links

• Kimi K3 Offizieller Technischer Blog: Ankündigung von Moonshot AI zu Architektur, Benchmarks, Verfügbarkeit und Einschränkungen.

• Moonshot AI Offizielle Website: Offizielle Produkt- und Forschungsseite des Unternehmens.

• Kimi API-Plattform: Offizieller Zugang zur Kimi K3 API und aktuelle Token-Preise.

• Moonshot AI GitHub-Organisation: Offizielles Code-Repository für das Kimi-Modell, Kimi Code und Infrastrukturforschung.

• Moonshot AI Hugging Face-Organisation: Offizielle Veröffentlichungen von Modellgewichten und Modellkarten.

• Artificial Analysis: Kimi K3: Unabhängige Bewertung von Intelligenzniveau, Preis, Geschwindigkeit und Kontextfenster.

• Artificial Analysis Kimi K3 Benchmark-Bericht: Unabhängige Zusammenfassung der Leistung von Kimi K3 im Intelligenzindex.

Zusammenfassung

Kimi K3 katapultiert Moonshot AI auf die 3-Billionen-Parameter-Ebene. Es handelt sich um ein dünn besetztes multimodales Modell, das speziell für Codierung, Forschung, Wissensarbeit und langfristig laufende Agentenaufgaben entwickelt wurde. Sein Millionen-Token-Kontextfenster, der Kimi Delta-Aufmerksamkeitsmechanismus, die Aufmerksamkeitsresidualstruktur und die hochgradig dünn besetzte Experten-Routing-Strategie zielen darauf ab, die Betriebseffizienz in dieser Größenordnung zu verbessern.

Sowohl unternehmenseigene Benchmarks als auch unabhängige Bewertungen zeigen, dass Kimi K3 zu den aktuellen Spitzenmodellen gehört, obwohl Moonshot AI einräumt, dass es insgesamt noch hinter Claude Fable 5 und GPT-5.6 Sol zurückbleibt. Der hohe Token-Verbrauch des Modells, die Empfindlichkeit gegenüber Reasoning-Verläufen, die Tendenz zu aktivem Verhalten und der enorme Infrastrukturbedarf sind wichtige praktische Einschränkungen.

Kimi K3 ist über die Moonshot-App und die API verfügbar. Die vollständigen Gewichte sollen ursprünglich bis zum 27. Juli 2026 veröffentlicht werden, sodass die meisten Entwickler zunächst die gehostete Version nutzen werden, anstatt das vollständige Modell selbst bereitzustellen.

Der entscheidende Fortschritt liegt nicht nur in der Parameterzahl: Kimi K3 vereint extreme Größe, dünn besetzte Aktivierung, Millionen-Token-Kontext, multimodale Eingabe und langfristiges agentisches Verhalten – und Moonshot AI plant, es als herunterladbare Gewichte zu veröffentlichen.